蘇明政，張慶君(.渤海大學(xué) 財(cái)政金融研究中心，遼寧，錦州 03；.天津財(cái)經(jīng)大學(xué) 中國(guó)濱海金融協(xié)同創(chuàng)新中心，天津 300)

?

基于動(dòng)態(tài)模型平均的金融壓力指數(shù)構(gòu)建與預(yù)警

蘇明政1，張慶君2(1.渤海大學(xué) 財(cái)政金融研究中心，遼寧，錦州 121013；2.天津財(cái)經(jīng)大學(xué) 中國(guó)濱海金融協(xié)同創(chuàng)新中心，天津 300222)

摘要：使用累積分布函數(shù)-信用加權(quán)方法構(gòu)建反映系統(tǒng)性金融風(fēng)險(xiǎn)累積狀況的壓力指數(shù)，并引入動(dòng)態(tài)模型平均方法對(duì)該指數(shù)走勢(shì)進(jìn)行預(yù)測(cè)分析并評(píng)估其預(yù)測(cè)效果.結(jié)果表明，動(dòng)態(tài)模型平均方法在模型選擇、變量選擇、系數(shù)選擇等方面具備良好的靈活性，具有良好的預(yù)測(cè)效果.在具體應(yīng)用中，GDP增長(zhǎng)率與CPI增長(zhǎng)率是對(duì)金融壓力指數(shù)預(yù)測(cè)最有幫助的一類(lèi)指標(biāo)，其在后期的包含概率顯著持續(xù)高于0.5，這類(lèi)指標(biāo)在風(fēng)險(xiǎn)防范中更值得關(guān)注.

關(guān)鍵詞：系統(tǒng)性金融壓力指數(shù)；動(dòng)態(tài)模型平均；預(yù)警

隨著金融危機(jī)的爆發(fā)，人們?cè)趯徱暻捌陬A(yù)警機(jī)制失敗的經(jīng)驗(yàn)與教訓(xùn)的同時(shí)，逐漸將注意力轉(zhuǎn)移到對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警研究中去.在研究中，學(xué)者將重點(diǎn)從對(duì)金融危機(jī)事件的定義分析轉(zhuǎn)移到對(duì)金融系統(tǒng)失衡與金融系統(tǒng)壓力的分析上去，這些因素與系統(tǒng)性金融風(fēng)險(xiǎn)的累積以及危機(jī)的爆發(fā)有著密切的聯(lián)系，通過(guò)構(gòu)造反映上述情況的連續(xù)性的指數(shù)并進(jìn)行分析，更加體現(xiàn)預(yù)警與預(yù)防的目的.金融壓力指數(shù)最早的概念由Illing提出，此后，Balakrishnan，Hollo等將其應(yīng)用到系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警研究中去[1-2].現(xiàn)階段對(duì)金融壓力指數(shù)的研究主要集中在三個(gè)方向：其一是運(yùn)用金融壓力指數(shù)去預(yù)測(cè)未來(lái)發(fā)生金融危機(jī)的可能性，其二是綜合運(yùn)用宏觀壓力測(cè)試的方法去評(píng)估金融體系抵御風(fēng)險(xiǎn)的能力，其三是通過(guò)構(gòu)造經(jīng)濟(jì)體的金融壓力指數(shù)并考察其時(shí)變性去揭示經(jīng)濟(jì)體的風(fēng)險(xiǎn)承受能力.

而在預(yù)警模型應(yīng)用多樣化的同時(shí)，對(duì)于預(yù)警指標(biāo)變量的選取也越來(lái)越豐富隨著研究的進(jìn)一步深入，越來(lái)越多的模型與技術(shù)手段被引入到預(yù)警機(jī)制的研究當(dāng)中，而指標(biāo)選取也越來(lái)越廣泛與豐富.與此同時(shí)，這些預(yù)警機(jī)制的結(jié)論卻大相徑庭，預(yù)測(cè)效果也很難令人滿(mǎn)意，面對(duì)這些模型與指標(biāo)選取的不確定性，人們開(kāi)始逐漸關(guān)注對(duì)于模型有效性的研究，一方面人們引入檢驗(yàn)方法檢測(cè)模型的預(yù)測(cè)能力[3-4]，另一方面針對(duì)模型與變量不確定性的建模方法開(kāi)始受到人們的關(guān)注，Eicher將貝葉斯模型平均(Bayesian Model Averaging，簡(jiǎn)稱(chēng)BMA)方法應(yīng)用到系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警研究中去，并被證明具有良好的預(yù)測(cè)效果，該方法一方面能夠消除遺漏變量對(duì)預(yù)測(cè)的影響，另一方面該方法能夠消除模型不確定性對(duì)于預(yù)測(cè)的影響[5].

在國(guó)內(nèi)，有關(guān)預(yù)警機(jī)制的研究成果也較為豐富.在早期，研究的重點(diǎn)主要側(cè)重在對(duì)我國(guó)金融風(fēng)險(xiǎn)的預(yù)警體制中指標(biāo)體系的構(gòu)建分析.隨后，國(guó)內(nèi)學(xué)者也將國(guó)外較為成熟的模型應(yīng)用中國(guó)內(nèi)的研究中去并進(jìn)行了補(bǔ)充與擴(kuò)展[6].而隨著美國(guó)金融危機(jī)的爆發(fā)，國(guó)內(nèi)學(xué)者將預(yù)警機(jī)制研究的重點(diǎn)放在國(guó)內(nèi)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)防與檢測(cè)上.其中，呂江林以同步性與及時(shí)性為原則，引入相關(guān)變量，構(gòu)建中國(guó)金融壓力指數(shù)來(lái)反應(yīng)我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)累積情況，并以此為解釋變量，運(yùn)用逐步回歸法建立金融系統(tǒng)性風(fēng)險(xiǎn)最佳預(yù)測(cè)方程，并對(duì)來(lái)可能的潛在風(fēng)險(xiǎn)因素進(jìn)行預(yù)測(cè)[7].李夢(mèng)雨首先使用主成分分析法將16個(gè)變量歸結(jié)為宏觀經(jīng)濟(jì)、金融體系、對(duì)外經(jīng)貿(mào)三類(lèi)，并運(yùn)用K-均值聚類(lèi)算法將系統(tǒng)性金融風(fēng)險(xiǎn)狀態(tài)劃分為四類(lèi)，并使用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)警預(yù)測(cè)[8].陳雨露首先構(gòu)建了反映經(jīng)濟(jì)主體與市場(chǎng)動(dòng)態(tài)過(guò)程的“金融失衡指數(shù)”，并模擬檢驗(yàn)其可信性，結(jié)果表明，“金融失衡指數(shù)”可以作為衡量系統(tǒng)性金融風(fēng)險(xiǎn)的良好指示器[9].

1我國(guó)金融壓力指數(shù)的構(gòu)建

本文構(gòu)建的金融壓力指數(shù)的數(shù)學(xué)表達(dá)式如下：

(1)

其中：SFSIt為時(shí)刻t的我國(guó)金融壓力指數(shù)，X為所選擇的指標(biāo)，ω則為所選擇指標(biāo)的權(quán)重.

1.1變量選取

根據(jù)系統(tǒng)性金融風(fēng)險(xiǎn)的研究目標(biāo)，本文從銀行、證券、保險(xiǎn)以及外匯市場(chǎng)四個(gè)部門(mén)選取指標(biāo)，構(gòu)建我國(guó)金融壓力指數(shù)1，時(shí)間跨度為1999年第2季度至2012年第4季度，為了配合后續(xù)的預(yù)警檢驗(yàn)，時(shí)間頻率為季度數(shù)據(jù)，除銀行部門(mén)指標(biāo)外，其他所有部門(mén)原始指標(biāo)都做了C11季節(jié)調(diào)整.數(shù)據(jù)來(lái)源為國(guó)泰安(CSMAR)數(shù)據(jù)庫(kù)、人民銀行年報(bào)、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù).最終選取的指標(biāo)如下：

1)銀行部門(mén)：同業(yè)拆借利差(ID)、銀行貸款利率的變動(dòng)(DC).

2)證券部門(mén)：指數(shù)收益率(CR)、指數(shù)波動(dòng)率(CV).

3)外匯部門(mén)：人民幣匯率的貶值(CD)、外匯儲(chǔ)備的變化(RD)

4)保險(xiǎn)部門(mén)：該部門(mén)的指標(biāo)僅有一個(gè)，即保險(xiǎn)賠付額(IP).

1.2權(quán)重確定

指標(biāo)權(quán)重的確定對(duì)于整個(gè)指數(shù)的走勢(shì)具有重大的影響，直接關(guān)系到整個(gè)指數(shù)的質(zhì)量.本文綜合運(yùn)用信用加總權(quán)重法和累積分布函數(shù)(CDF)法，即CDF-信用加總權(quán)重法.信用加總權(quán)重法.該方法以變量所屬的金融市場(chǎng)的信用規(guī)模(而不是市場(chǎng)總值)為權(quán)重，如果某個(gè)市場(chǎng)存在多個(gè)指標(biāo)，則賦予各指標(biāo)在該市場(chǎng)內(nèi)的等權(quán)重，則其規(guī)模越大其權(quán)重越高，從而其在整個(gè)金融系統(tǒng)中的作用也越大，但是該方法對(duì)市場(chǎng)規(guī)模的計(jì)量要求較高.累積分布函數(shù)(CDF)法.該方法為了徹底消除變量量綱，計(jì)算變量的累積分布函數(shù)的百分?jǐn)?shù)值，然后對(duì)各變量賦予相同的權(quán)重.

該方法綜合兩種方法的優(yōu)點(diǎn)，首先對(duì)各變量計(jì)算其累計(jì)分布函數(shù)值，以該值為基礎(chǔ)并按照其所在市場(chǎng)的信用規(guī)模賦予權(quán)重，最后得到我國(guó)金融市場(chǎng)壓力指數(shù).具體而言，分別選取銀行貸款余額(CE)、股票市值總值(SG)、外債余額(DR)、保險(xiǎn)市場(chǎng)總資產(chǎn)(IA)分別代表銀行、證券市場(chǎng)、外匯市場(chǎng)以及保險(xiǎn)市場(chǎng)的信用規(guī)模值,其和由T表示.具體計(jì)算方程如下：

(2)

1.3我國(guó)金融壓力指數(shù)走勢(shì)的分析

基于式(2)，圖1給出了我國(guó)金融壓力指數(shù)(SFSI)走勢(shì)圖.從整體上看我國(guó)金融壓力指數(shù)的走勢(shì)隨機(jī)性較強(qiáng)，并無(wú)顯著規(guī)律，指數(shù)從最低的0.320 5到最高的0.699 7.以0.6設(shè)定為金融壓力預(yù)警的臨界值，則觸發(fā)該臨界值的情況共發(fā)生6次(圖8-1的豎線(xiàn)與陰影區(qū)域)，分別為1999年第3季度、2002年第1季度、2008第1季度～2008年第2季度、2008年第4季度、2010年第2季度、2011年第3季度.其中，僅有2008年的第1季度與第2季度是連續(xù)的觸發(fā)臨界值(圖1中的陰影區(qū)域)，并且在其中的2008年第1季度達(dá)到整個(gè)樣本期間金融壓力指數(shù)的最高值，結(jié)合當(dāng)時(shí)的國(guó)內(nèi)外金融形勢(shì)不難看出，受當(dāng)時(shí)國(guó)際金融危機(jī)的影響，國(guó)內(nèi)的資本市場(chǎng)遭受到了較強(qiáng)的沖擊，股票市場(chǎng)在這兩個(gè)季度下行明顯(分別為樣本期的第一大和第三大下跌)，而在其他觸發(fā)臨界值的情況中，還有2008年第4季度與2010年第2季度是由于股票市場(chǎng)的大幅度下跌(分別為樣本期的第四大和第二大下跌).1999年第3季度觸發(fā)臨界值的主要原因是當(dāng)時(shí)人民內(nèi)部實(shí)際匯率的大幅度下跌. 2002年第1季度觸發(fā)臨界值的主要原因是股票市場(chǎng)波動(dòng)率與銀行體系流動(dòng)性不足與人民內(nèi)部實(shí)際匯率的下跌綜合作用的結(jié)果，最后2011年第3季度觸發(fā)臨界值的主要原因是銀行部門(mén)兩個(gè)指標(biāo)同業(yè)拆借利差與銀行貸款利率的變動(dòng)共同作用的結(jié)果.

圖1　我國(guó)金融壓力指數(shù)(SFSI)

2我國(guó)系統(tǒng)性金融壓力指數(shù)的預(yù)測(cè)

一般來(lái)說(shuō)，使用模型進(jìn)行經(jīng)濟(jì)金融預(yù)測(cè)最大的問(wèn)題就是所使用預(yù)測(cè)模型的靈活性問(wèn)題.因?yàn)殡S著客觀經(jīng)濟(jì)金融條件的顯著變化，使用固定一套的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，其精準(zhǔn)度顯然會(huì)受到影響，為此，現(xiàn)有研究在兩個(gè)方面給予了改進(jìn)，一方面針對(duì)預(yù)測(cè)模型系數(shù)固定問(wèn)題所進(jìn)行的改進(jìn)，主要是基于時(shí)變參數(shù)與系數(shù)技術(shù)的預(yù)測(cè)模型的使用，例如狀態(tài)空間模型與時(shí)變參數(shù)向量自回歸模型(TVP-VAR)等，該類(lèi)技術(shù)允許估計(jì)系數(shù)按照一定的規(guī)則進(jìn)行變動(dòng)，從而提高預(yù)測(cè)的精準(zhǔn)度.另一方面針對(duì)待估參數(shù)過(guò)多問(wèn)題所進(jìn)行的改進(jìn)，主要目的是提升模型參數(shù)篩選的效率，因?yàn)橛蒻個(gè)解釋變量會(huì)組成2m個(gè)不同的方程，對(duì)這些模型的篩選會(huì)耗費(fèi)大量的人力精力，為此學(xué)者提出了基于貝葉斯估計(jì)的貝葉斯模型平均(Bayesian Model Averaging，簡(jiǎn)稱(chēng)BMA)的方法，該方法通過(guò)引入MC3技術(shù)求解后驗(yàn)概率的方法進(jìn)行變量的篩選.

而本文采用Koop提出的動(dòng)態(tài)模型平均方法(DMA)則較好的結(jié)合前面的兩點(diǎn).該方法在貝葉斯模型平均的方法上，允許其模型與參數(shù)同時(shí)進(jìn)行變化，并引入遺忘因子的方法將模型進(jìn)行高度精簡(jiǎn)，通過(guò)對(duì)模型進(jìn)行自動(dòng)識(shí)別，使得在每一預(yù)測(cè)期，模型都會(huì)選擇最佳的方程來(lái)進(jìn)行實(shí)時(shí)預(yù)測(cè).該最佳模型不是一個(gè)，而是一系列時(shí)變模型的加權(quán)平均，同時(shí)這些模型的系數(shù)估計(jì)值也是時(shí)變的，從而充分慮了靈活性，提高模型預(yù)測(cè)的精確度，更加適用于對(duì)宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)[10].

2.1指標(biāo)選取與分析

構(gòu)建我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)警模型的基礎(chǔ)是預(yù)警指標(biāo)的選取，預(yù)警指標(biāo)的選取要滿(mǎn)足以下條件，首先是全面性，本文認(rèn)為這個(gè)全面性是相對(duì)的，一方面全面性要求所選的指標(biāo)能夠全面反映國(guó)家經(jīng)濟(jì)運(yùn)行的實(shí)際情況，另一方面受數(shù)據(jù)可得性與數(shù)據(jù)質(zhì)量的影響，不可能將所有指標(biāo)都囊括在預(yù)警體系當(dāng)中，為此預(yù)警指標(biāo)選取另一個(gè)原則是針對(duì)性，即只能選取代表性強(qiáng)的指標(biāo)來(lái)衡量各方面的情況.再次是動(dòng)態(tài)性與時(shí)效性，該原則要求所選指標(biāo)的值是動(dòng)態(tài)變化的，并且其在危機(jī)與風(fēng)險(xiǎn)爆發(fā)前，該指標(biāo)存在細(xì)微的變化，從而反映市場(chǎng)的狀態(tài)變化.接下來(lái)是可行性，該原則要求指標(biāo)選取要直觀，易于理解，同時(shí)具有較低的收集成本，以便對(duì)指標(biāo)預(yù)警效果進(jìn)行評(píng)判以及國(guó)內(nèi)外的比較與交流.最后是獨(dú)立性，該原則要求所選的指標(biāo)之間信息的重疊部分要小，從技術(shù)角度上說(shuō)，過(guò)多的重疊信息會(huì)使得技術(shù)處理的結(jié)果出錯(cuò)的可能性增大，同時(shí)也會(huì)使結(jié)果的穩(wěn)定性受到影響.

本文將所選的預(yù)警指標(biāo)劃分為兩大類(lèi)，宏觀經(jīng)濟(jì)類(lèi)(GDP增長(zhǎng)率(DGDP)、固定資產(chǎn)投資增長(zhǎng)率(DFAI)、CPI增長(zhǎng)率(DCPI)、財(cái)政赤字變動(dòng)率(CDR))以及金融市場(chǎng)類(lèi)(對(duì)外直接投資變動(dòng)率(CFDI)、貨幣供應(yīng)量的變動(dòng)率(CM2)、各項(xiàng)人民幣貸款變動(dòng)率(CRL)、房地產(chǎn)開(kāi)發(fā)景氣指數(shù)(REDI)、實(shí)體經(jīng)濟(jì)杠桿比率(LR).本節(jié)所選數(shù)據(jù)來(lái)自CSMAR、CCERDATA，數(shù)據(jù)時(shí)間維度為1999第2季度至2012年第4季度，共55期的季度數(shù)據(jù).使用軟件為Matlab.

2.2實(shí)證結(jié)果分析

具體而言，本文的預(yù)測(cè)是指在現(xiàn)在的t時(shí)刻，利用已知的t-h期至t期的信息，對(duì)未來(lái)的t+h期的系統(tǒng)性金融壓力指數(shù)進(jìn)行預(yù)測(cè).在本文中，主要考慮h=1,2兩種情況.本文將實(shí)證結(jié)果分為兩個(gè)部分，第一部分為預(yù)測(cè)變量的重要性分析，第二部分為預(yù)測(cè)表現(xiàn)分析.

2.2.1預(yù)測(cè)變量的重要性分析

本文首先分析各時(shí)點(diǎn)預(yù)測(cè)方程所采用預(yù)測(cè)變量的數(shù)量變化，以考察DMA方法的簡(jiǎn)化效果，越少的預(yù)測(cè)變量說(shuō)明簡(jiǎn)化的效果越強(qiáng)，從而表明DMA方法的作用越明顯，本文利用下式計(jì)算時(shí)變的變量的預(yù)期數(shù)量：

(3)

其中：Sizek,t表示時(shí)點(diǎn)預(yù)測(cè)方程所包含的預(yù)測(cè)變量數(shù)量，而ct|t-1,k則為該方程的預(yù)測(cè)概率.圖2給出了基于h=1,2的預(yù)測(cè)變量預(yù)期數(shù)量的時(shí)變值：

圖2　基于h=1,2的預(yù)測(cè)變量預(yù)期數(shù)量的時(shí)變值

從圖2可以看出，基于提前一期(h=1)與提前兩期(h=2)的預(yù)測(cè)變量的期望值呈不規(guī)則現(xiàn)緩慢上升的特點(diǎn)，可見(jiàn)隨著金融壓力指數(shù)的運(yùn)行對(duì)其預(yù)測(cè)的難度也在增強(qiáng)，過(guò)度的簡(jiǎn)約顯然已經(jīng)不適應(yīng)模型的預(yù)測(cè).具體而言，在提前一期(h=1)進(jìn)行預(yù)測(cè)時(shí)，在整個(gè)預(yù)測(cè)期間內(nèi)，所需的變量的期望值在2～6個(gè)之間，而基于提前兩期(h=2)進(jìn)行預(yù)測(cè)時(shí)，在整個(gè)預(yù)測(cè)期間內(nèi)，所需的變量的期望值在2～8個(gè)之間，相比于整個(gè)變量體系來(lái)說(shuō)，DMA方法的簡(jiǎn)化的效果明顯.

首先，各預(yù)測(cè)變量的包含概率的時(shí)變性很強(qiáng)，許多變量的波動(dòng)幅度都很大，可見(jiàn)，隨著經(jīng)濟(jì)金融條件的變化，不同的變量在整個(gè)金融壓力指數(shù)的預(yù)測(cè)中的作用是不同的.例如基于h=1、h=2的預(yù)測(cè)中，GDP增長(zhǎng)率(DGDP)、CPI增長(zhǎng)率(DCPI)在2003年后的包含概率顯著上升，并一直持續(xù)，而有些變量的變化卻較平穩(wěn)，例如基于兩期預(yù)測(cè)的實(shí)體經(jīng)濟(jì)杠桿比率(LR)，其包含概率始終沒(méi)有超過(guò)0.4，此外還有一些變量在樣本期經(jīng)歷過(guò)上升后，其趨勢(shì)沒(méi)有得以持續(xù)，而是逐漸的下降(例如，基于兩期預(yù)測(cè)的貨幣供應(yīng)量的變動(dòng)率(CM2))，該變量的包含概率在2002～2003年出現(xiàn)了較大幅度的上升，但是此后則逐漸回落.

其次，基于不同的提前預(yù)測(cè)期(h=1,2)，基于包含概率的變量的重要性并不相同，例如：各項(xiàng)人民幣貸款變動(dòng)率(CRL)與房地產(chǎn)開(kāi)發(fā)景氣指數(shù)(REDI)，這兩個(gè)變量在的預(yù)測(cè)中在后半段的包含概率要顯著的高于h=2期預(yù)測(cè)，說(shuō)明這兩個(gè)變量在h=1的預(yù)測(cè)重要性要高于h=2.

綜上所述，在所有引入的變量中，對(duì)于金融壓力指數(shù)預(yù)測(cè)最有幫助的一類(lèi)指數(shù)為GDP增長(zhǎng)率(DGDP)、CPI增長(zhǎng)率(DCPI)，該類(lèi)指標(biāo)在兩期指標(biāo)預(yù)測(cè)中，其后期包含概率顯著持續(xù)高于0.5.其次一類(lèi)為固定資產(chǎn)投資增長(zhǎng)率(DFAI)、各項(xiàng)人民幣貸款變動(dòng)率(CRL)、房地產(chǎn)開(kāi)發(fā)景氣指數(shù)(REDI)與貨幣供應(yīng)量的變動(dòng)率(CM2)，該類(lèi)指標(biāo)在某期預(yù)測(cè)或者某段時(shí)間中，其包含概率曾經(jīng)高于0.5.對(duì)于金融壓力指數(shù)預(yù)測(cè)幫助最少的一類(lèi)指標(biāo)為，財(cái)政赤字變動(dòng)率(CDR)、對(duì)外直接投資變動(dòng)率(CFDI)與實(shí)體經(jīng)濟(jì)杠桿比率(LR)，這類(lèi)指標(biāo)在兩類(lèi)預(yù)測(cè)的整個(gè)時(shí)間段中，其包含概率始終低于0.5.

2.2.2預(yù)測(cè)表現(xiàn)分析

為了說(shuō)明DMA方法的優(yōu)越性，本文一方面引入DMS、時(shí)變向量自回歸模型(TVP-AR)、貝葉斯模型平均方法(BMA)與之進(jìn)行對(duì)比，另一方面引入均方預(yù)測(cè)誤差(Mean squared forecast error，簡(jiǎn)稱(chēng)MSFE)、均值絕對(duì)預(yù)測(cè)誤差(Mean absolute forecast error，簡(jiǎn)稱(chēng)MAFE)以及均值對(duì)數(shù)預(yù)測(cè)似然值(Mean logarithmic predict likelihood，簡(jiǎn)稱(chēng)MLPL)等檢驗(yàn)標(biāo)準(zhǔn)對(duì)其進(jìn)行預(yù)測(cè)表現(xiàn)分析，三種檢驗(yàn)方程表達(dá)式如下：

(4)

(5)

(6)

表1　基于兩類(lèi)預(yù)測(cè)的各模型預(yù)測(cè)表現(xiàn)比較

注:DMA(α=λ=1)即為BMA方法，TVP-AR(2)-X(λ=0.99)表示同時(shí)包含所有潛在解釋變量及二階自相關(guān)項(xiàng)的時(shí)變向量自回歸模型，而TVP-AR(2)(λ=0.99)則表示僅僅包含二階自相關(guān)項(xiàng)的時(shí)變向量自回歸模型.

從表1的各檢驗(yàn)結(jié)果上看，無(wú)論是基于提前一期還是二期預(yù)測(cè)，DMA方法與DMS方法要顯著優(yōu)于其他方法，動(dòng)態(tài)模型平均方法的優(yōu)越性顯而易見(jiàn).此外還可以看出，DMS方法要優(yōu)于DMA方法，究其原因，本文認(rèn)為由于DMS將最優(yōu)模型賦予權(quán)重1，而其他模型都為0，這種快速收縮(Shrinkage)的方法要比對(duì)系列方程賦予權(quán)重的方法在預(yù)測(cè)效果上要好些，但是前文已經(jīng)分析，預(yù)警工作者更容易操作DMA方法，因?yàn)镈MS這種快速收縮的方法很難進(jìn)行把握.進(jìn)一步分析，當(dāng)預(yù)測(cè)因子為α=λ=0.95時(shí)的預(yù)測(cè)效果要好于α=λ=0.99的情況，這說(shuō)明對(duì)于較前時(shí)期方程權(quán)重賦予相對(duì)較低權(quán)重的方法對(duì)于預(yù)測(cè)來(lái)說(shuō)更好些，這在一定程度說(shuō)明我國(guó)金融壓力指數(shù)的記憶能力較差，其走勢(shì)的慣性較差.

3結(jié)語(yǔ)

本文首先從銀行、證券、保險(xiǎn)以及外匯市場(chǎng)四個(gè)部門(mén)選取指標(biāo)，構(gòu)建我國(guó)系統(tǒng)性金融壓力指數(shù)(SFSI)，然后分析了其基本走勢(shì).接下來(lái)本文引入了動(dòng)態(tài)模型平均(DMA)方法進(jìn)行我國(guó)系統(tǒng)性金融壓力指數(shù)預(yù)警研究，該方法在貝葉斯模型平均的方法上，允許其模型與參數(shù)同時(shí)進(jìn)行時(shí)變，更加適用于對(duì)宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測(cè).通過(guò)引入遺忘因子的方法將模型進(jìn)行高度簡(jiǎn)約化，通過(guò)模型的自動(dòng)識(shí)別，使得在每一預(yù)測(cè)期，選擇最佳的模型來(lái)進(jìn)行實(shí)時(shí)預(yù)測(cè).實(shí)證結(jié)果表明，在所有引入的變量中，對(duì)于金融壓力指數(shù)預(yù)測(cè)最有幫助的一類(lèi)指數(shù)為GDP增長(zhǎng)率、CPI增長(zhǎng)率，該類(lèi)指標(biāo)在兩期指標(biāo)預(yù)測(cè)中，其在后期的包含概率顯著持續(xù)高于0.5.其次一類(lèi)為固定資產(chǎn)投資增長(zhǎng)率、各項(xiàng)人民幣貸款變動(dòng)率、房地產(chǎn)開(kāi)發(fā)景氣指數(shù)與貨幣供應(yīng)量的變動(dòng)率，該類(lèi)指標(biāo)在某期預(yù)測(cè)或者某段時(shí)間中，其包含概率曾經(jīng)高于0.5.對(duì)于金融壓力指數(shù)預(yù)測(cè)幫助最少的一類(lèi)指標(biāo)為財(cái)政赤字變動(dòng)率、對(duì)外直接投資變動(dòng)率與實(shí)體經(jīng)濟(jì)杠桿比率，這類(lèi)指標(biāo)在兩類(lèi)預(yù)測(cè)的整個(gè)時(shí)間段中，其包含概率始終低于0.5.與此同時(shí)，通過(guò)預(yù)測(cè)表現(xiàn)分析，本文認(rèn)為DMA方法與DMS方法要顯著優(yōu)于其他方法，動(dòng)態(tài)模型平均方法的在預(yù)測(cè)方面的優(yōu)越性得到證實(shí).

參考文獻(xiàn)：

[1]BALAKRISHNANR,DANNINGERS,ELEKDAGS, et al.Thetransmissionoffinancialstressfromadvancedtoemergingeconomies[J].EmergingMarketsFinance&Trade, 2009, 47(3): 40-68.

[2]HOLLO D, KREMER M, LODUCA M.CISS-A Composite Indicator of Systemic Stress in the Financial System[R]. ECB Working Paper Series, No. 1426, 2012.

[3]DUMITRESCU E I, HURLIN C, PHAM V. Backtesting VaR with Dynamic Binary Models[R]. University of Orléans Working Paper, 2011.

[4]CANDELON B, DUMITRESCU E I, HURLINZX C. How to evaluate an early-warning system: toward a unified statistical framework for assessing financial crises forecasting methods [J]. IMF Economic Review, 2012, 60(1): 75-113.

[5]EICHER T S, CHRISTOFIDES C, PAPAGEORGIOU C. Did Established Early Warning Signals Predict the 2008 Crises? [R]. University of Washington, Department of Economics, 2012.

[6]南旭光, 孟衛(wèi)東. 基于等比例危險(xiǎn)模型的金融危機(jī)預(yù)警[J].重慶大學(xué)學(xué)報(bào)：自然科學(xué)版, 2007 (5): 138-142.

[7]呂江林, 賴(lài)娟. 我國(guó)金融系統(tǒng)性風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的構(gòu)建與應(yīng)用[J].江西財(cái)經(jīng)大學(xué)學(xué)報(bào), 2011 (2): 5-11.

[8]李夢(mèng)雨. 中國(guó)金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建研究——基于K-均值聚類(lèi)算法和BP神經(jīng)網(wǎng)絡(luò)[J].中國(guó)財(cái)經(jīng)大學(xué)學(xué)報(bào), 2012 (10): 25-30.

[9]陳雨露, 馬勇. 構(gòu)建中國(guó)的“金融失衡指數(shù)”方法及在宏觀審慎中的應(yīng)用[J].中國(guó)人民大學(xué)學(xué)報(bào), 2013 (1): 59-71.

[10]KOOP G, KOROBILIS D. Forecasting inflation using dynamic model averaging [J]. International Economic Reviews, 2012, 53(3) ：867-886.

Constructing and early warning of systemic financial stress index-empirica analysis based on dynamic model of average method

SU Ming-zheng1, ZHANG Qing-jun2

(1.School of Finance, Bohai University, Jinzhou 121013；2.Coordinated Innovation Center For Binhai Finance，Tianjin University of Finance and Economic, Tianjin 300222，China)

Abstract：This paper used systemic financial stress index which reflect the accumulation status of systemic financial risk based on the cumulative distribution function-weighted credit method, and introduced the dynamic model of average method to estimate the index trend and prove its predictive effect. The results showed that he dynamic model of average method had good flexibility and effect in the respects of model selection, variable selection, coefficient selection and so on. In the specific application, the GDP growth rate and CPI growth rate were the most helpful index for the forecasting of systemic financial stress index (SFSI), the coverage probabilities in the following periods were always above 0.5, which should be pay more attention in the risk prevention.

Key words：systemic financial stress index; dynamic model of average; early warning

中圖分類(lèi)號(hào)：F830

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-0946(2016)01-0107-05

作者簡(jiǎn)介：蘇明政(1980-)，男，博士，副教授，研究方向：金融風(fēng)險(xiǎn)管理.

基金項(xiàng)目：教育部人文社會(huì)科學(xué)重點(diǎn)研究基地重大項(xiàng)目(14JJD790028)；教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目(13YJC790122)；遼寧省社會(huì)科學(xué)規(guī)劃基金一般項(xiàng)目(L13CJL027)；遼寧省高等學(xué)校杰出青年學(xué)者成長(zhǎng)計(jì)劃(WJQ2015001)

收稿日期：2015-04-12.